测量信号的相似之处
这个例子展示了如何测量信号的相似之处。它将帮助你回答这样的问题:我该如何比较和不同长度和不同的采样率信号吗?我怎么觉得如果有一个信号或噪声测量?两个信号相关吗?我怎么测量两个信号之间的延时(我怎么使他们)?我怎么比较两个信号的频率内容?相似之处也可以发现在一个信号来确定信号的不同部分是周期性的。
比较信号和不同的采样率
考虑一个音频信号和一个模式匹配的数据库应用程序,您需要识别歌曲是玩。数据通常存储在低采样率,占用更少的内存。
负载relatedsig图ax(1) =次要情节(3,1,1);情节((0:元素个数(T1) 1) / Fs1、T1,“k”)ylabel (“模板1”网格)在斧子(2)=次要情节(3、1、2);情节((0:元素个数(T2) 1) / Fs2, T2,“r”)ylabel (“模板2”网格)在斧子(3)=情节(3、1,3);情节((0:元素个数(S) 1) / Fs, S) ylabel (“信号”网格)在包含(“时间(s)”)linkaxes (ax (1:3),“x”轴([0 1.61 - 4 4])
第一个和第二个次要情节显示从数据库模板信号。第三次要情节显示了我们想要的信号搜索我们的数据库中。通过观察时间序列,信号似乎并不匹配任何两个模板。仔细观察表明,实际上有不同的长度和采样率的信号。
(Fs1 Fs2 Fs)
ans =1×34096 4096 8192
不同长度阻止你计算两个信号之间的差异,但这可以很容易地弥补通过提取出常见信号的一部分。此外,它并不总是必要的平衡长度。信号之间的互相关可以执行不同的长度,但它是必要的,以确保他们有相同的采样率。最安全的方法就是重新取样信号采样率较低。的重新取样函数一个抗锯齿(低通)冷杉过滤器适用于信号重采样过程中。
[P1, Q1] =鼠(Fs / Fs1);%有理分式近似[P2, Q2] =鼠(Fs / Fs2);%有理分式近似T1 =重新取样(T1, P1, Q1);采样率变化百分比由理性因素T2 =重新取样(T2, P2, Q2);采样率变化百分比由理性因素
找到信号测量
我们现在可以交叉联系信号年代模板T1和T2与xcorr函数来确定如果匹配。
[C1, lag1] = xcorr (T1,年代);[C2, lag2] = xcorr (T2,年代);图ax(1) =次要情节(2,1,1);情节(lag1 / Fs, C1,“k”)ylabel (“振幅”网格)在标题(“模板1和信号之间的互相关”)ax(2) =次要情节(2,1,2);情节(lag2 / Fs C2,“r”)ylabel (“振幅”网格)在标题(“模板2和信号之间的互相关”)包含(“时间(s)”)轴(ax (1:2), [-1.5 - 1.5 -700 700])
第一次要情节表明信号年代和模板T1不太相关,而高峰在第二次要情节表明信号存在于第二个模板。
[~,我]= max (abs (C2));SampleDiff = lag2(我)
SampleDiff = 499
timeDiff = SampleDiff / Fs
timeDiff = 0.0609
互关联意味着信号的峰值出现在模板T2开始后61 ms。换句话说,模板T2导致信号年代在499年的样品SampleDiff。这个信息可以用来调整的信号。
测量信号之间的延迟和对齐
考虑一种情况你收集来自不同传感器的数据记录振动引起的汽车两岸的桥。当你分析的信号时,你可能需要调整。假设你有3个传感器工作在同一样本率和测量信号由同一事件引起的。
图ax(1) =次要情节(3,1,1);情节(s1) ylabel (“s1”网格)在斧子(2)=次要情节(3、1、2);情节(s2,“k”)ylabel (“s2”网格)在斧子(3)=情节(3、1,3);情节(s3,“r”)ylabel (“s3”网格)在包含(“样本”)linkaxes (ax,“xy”)
我们还可以使用finddelay找到两个信号之间的延时函数。
t21 = finddelay (s1, s2)
t21 = -350
t31 = finddelay (s1, s3)
t31 = 150
t21表明s2滞后s1350个样本,t31表明s3领导s1到150年样本。这个信息现在可以用于对齐3信号时间位移信号。我们还可以使用alignsignals函数来调整信号通过推迟最早的信号。
s1 = alignsignals (s1, s3);s2 = alignsignals (s2、s3);图ax(1) =次要情节(3,1,1);情节(s1)网格在标题(“s1”)轴紧斧子(2)=次要情节(3、1、2);情节(s2)网格在标题(“s2”)轴紧斧子(3)=情节(3、1,3);情节(s3)网格在标题(“s3”)轴紧linkaxes (ax,“xy”)
比较信号的频率的内容
一个功率谱显示出现在每个频率。光谱相干识别频域信号之间的相关性。相干值趋于0显示对应的频率成分是不相关的,值趋近1表明,对应的频率成分是相关的。考虑两个信号和各自的功率谱。
Fs = FsSig;%采样率[P1, f1] =周期图(sig1, [] [], Fs,“权力”);(P2, f2) =周期图(sig2, [] [], Fs,“权力”);图t =(0:元素个数(sig1) 1) / Fs;次要情节(2 2 1)情节(t sig1“k”)ylabel (“s1”网格)在标题(“时间序列”次要情节(2,2,3)情节(t, sig2) ylabel (“s2”网格)在包含(“时间(s)”次要情节(2,2,2)情节(f1, P1,“k”)ylabel (“P1”网格)在轴紧标题(“功率谱”次要情节(2,2,4)情节(f2, P2) ylabel (“P2”网格)在轴紧包含(“频率(赫兹)”)
的mscohere计算两个信号之间的光谱相干函数。它证实了sig1和sig2有两个相关的组件大约35赫兹和165赫兹。在光谱一致性高,频率之间的相对相位相关组件可以与互谱估计阶段。
[Cxy f] = mscohere (sig1 sig2, [], [], [], Fs);Pxy =运行cpsd (sig1 sig2, [], [], [], Fs);阶段=角(Pxy) /π* 180;(pks, loc) = findpeaks (Cxy MinPeakHeight = 0.75);图次要情节(2,1,1)情节(f, Cxy)标题(“相干估计”网格)在甘氨胆酸hgca =;hgca。XTick = f (loc);hgca。YTick = 0.75;轴([0 200 0 1])次要情节(2,1,2)情节(f,阶段)标题(“互谱阶段(度)”网格)在甘氨胆酸hgca =;hgca。XTick = f (loc);hgca。YTick =圆(阶段(loc));包含(“频率(赫兹)”轴([0 200 -180 180])
35赫兹组件之间的相位滞后是接近-90度,和165赫兹之间的相位滞后组件是接近-60度。
发现在信号周期的研究
考虑一套温度测量在一个办公大楼在冬天的季节。每30分钟测量约16.5周。
负载officetemp.matFs = 1 / (60 * 30);%采样率是1样本每30分钟天=(0:长度(临时)1)/ (Fs * 60 * 60 * 24);图绘制(天,临时)标题(“温度数据”)包含(“时间(天)”)ylabel (“温度(华氏)”网格)在
与70年代的气温低,需要删除均值分析小信号的波动。的xcov函数删除前信号的均值计算互相关并返回cross-covariance。限制的最大信号滞后50% cross-covariance的良好估计。
maxlags =元素个数(临时)* 0.5;(xc、滞后)= xcov(临时maxlags);(~,df) = findpeaks (xc MinPeakDistance = 5 * 2 * 24);(~,mf) = findpeaks (xc);图绘制(xc滞后/ (2 * 24),“k”,…滞后(df) /(2 * 24),我(df),“伏特”MarkerFaceColor =“r”网格)在xlim(15[-15])包含(“时间(天)”)标题(“Auto-Covariance”)
观察到auto-covariance主要和次要的波动。主要和次要的山峰出现等距。核实是否,计算和情节后续峰值的位置之间的区别。
cycle1 = diff (df) / (2 * 24);cycle2 = diff (mf) / (2 * 24);次要情节(2,1,1)情节(cycle1) ylabel (“天”网格)在标题(“占主导地位的峰值距离”次要情节(2,1,2)情节(cycle2,“r”)ylabel (“天”网格)在标题(“小峰距离”)
意思是(cycle1)
ans = 7
意思是(cycle2)
ans = 1
小峰表明7周期/周,主要山峰表明1周期/周。这是有道理的,因为数据来自一个温度控制的基础上一个7天的日历。第一个7天周期表明,每周循环行为有建筑物的温度,温度较低的在周末,回到正常工作日期间。天周期行为表明,还有每日循环行为,夜间气温低,增加。
